智慧牧场的提出为畜牧业发展带来新机遇,奶牛养殖业需紧紧把握住这个产业升级的良好契机,打造出精细化的奶牛管理体系。其中,如何高效、无接触且低成本地实现奶牛个体的精准识别,已成为奶牛养殖业当前所面临的关键问题。显然,传统的人工管理方法已不再适用。目前,国内外学者通过深度学习方法实现奶牛的个体识别,但大多是利用单一的生理稳定信息进行研究,但这很可能会造成对特征信息的提取不够全面,进而导致识别率不高。因此,本文提出一种融合牛脸和躯干信息的奶牛个体身份识别方法,首先对奶牛图像进行分割,其次构建双分支网络对牛脸和躯干图像进行特征融合,最后利用融合后的特征实现奶牛的个体识别。本文以荷斯坦奶牛为实验对象,利用Mask R-CNN模型对奶牛个体进行身份识别,分别基于牛脸、基于躯干以及基于牛脸和躯干综合信息进行了相关实验。实验结果表明:综合牛脸和躯干信息可提升对奶牛个体身份识别的准确率。因此,本文构建了双分支网络模型对同一奶牛个体的牛脸和躯干图像进行特征融合,以此进一步提高奶牛个体身份的识别准确率。主要工作如下:（1）构建奶牛图像数据集。针对经典奶牛图像数据集较少的问题,在不同天气条件下,通过实地采集的方式获取奶牛图像数据,并对其进行筛选,之后利用数据增强技术对图像数据进行扩充,最后对奶牛图像进行标注,得到奶牛图像数据集。（2）建立奶牛图像分割模型。针对Mask R-CNN对奶牛图像的重要特征提取不充分的问题,加入注意力机制模块对该模型进行改进,增强模型对奶牛图像中无关特征的抑制程度,从而使模型更加专注于重要特征。为进一步提高模型对奶牛图像分割的精细能力,在注意力机制原有结构上进行改进,从而得到奶牛图像分割模型。对比实验表明,引入改进注意力机制的Mask R-CNN对奶牛图像中牛脸和躯干的分割效果最佳,与实际轮廓更贴合。（3）建立奶牛个体识别模型。针对单一特征信息对描述奶牛个体特征不充分的问题,设计一种基于ResNet50的双分支网络,其中一分支输入牛脸图像,另一分支输入躯干图像,并利用特征融合技术完成牛脸和躯干信息的融合,进而实现奶牛个体的识别。为验证本文方法的有效性,在奶牛分割图像数据集上进行实验,取得了 97.22%的预测准确率,比基于ResNet101、ResNet34以及ResNet18构建的双分支网络模型分别提高了 3.59%、5.48%和6.65%。本文方法能够对养殖场实际环境中获取的奶牛图像进行准确的预测,实现了利用不同身体部位对奶牛个体进行身份识别。